基于区块链的联邦学习工作流程

最新推荐文章于 2025-04-14 15:52:07 发布

WuwuwuH_

最新推荐文章于 2025-04-14 15:52:07 发布

阅读量2.2k

点赞数 4

分类专栏：隐私保护机器学习文章标签：区块链人工智能

本文链接：https://blog.csdn.net/WuwuwuH_/article/details/128903979

版权

隐私保护机器学习专栏收录该内容

13 篇文章

订阅专栏

文章探讨了一种基于区块链的联邦学习框架，该框架包括初始化、本地模型训练与上传、交叉验证、区块生成等步骤。它强调了去中心化的特点，允许终端设备在资源比例的基础上参与训练过程，同时涉及部分去中心化和混合型的实现方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

工作流程：

1.初始化（Initialization）：从预定义好的目标函数和全局梯度中随机选择参数。
2.本地模型更新（Local model update）：终端设备根据所需的迭代次数来训练本地模型。
3.本地模型上传（Local model upload）：矿工与终端设备进行绑定。终端设备上传本地模型参数给矿工，同时上传相应的本地计算时间进行验证。
4.交叉验证（Cross Verification）：矿工依次验证终端设备的模型参数和计算时间。计算时间是否与数据的大小成正比决定了模型参数的可靠性。验证后的数据存储在矿工的potential块中，直到所有模型参数验证并存储在一个块中。
5.区块生成（Block generation）：每一轮都会运行共识算法。当有获胜的矿工获得区块生成机会并生成候选块（candidate block）时便会停止共识算法，同时强迫其他矿工停止竞争区块生成的机会。
6.区块传播（Block propagation）：获胜的矿工将候选块作为新区块广播给所有参与方。如果验证无误，系统中的所有矿工将新区块追加到本地的账本中。
7.全局模型更新（Global model update）：被选择的矿工聚合所有本地模型参数，然后将新的全区参数写入块中。
8.全局模型下载（Global model download）：所有的终端设备从新区块中下载全局参数，并决定是否进行下一轮。
在这里插入图片描述

分类：

完全去中心化（Fully decentralized）:每个终端设备都有可能领导特定的一轮训练，并发挥聚合器（中心服务器）的作用。可能性与所处理的资源成正比，包括：计算和存储性能、本地数据质量、网络稳定性等因素。
部分去中心化（Partially decentralized）:部分去中心化的FL允许一个选定的矿工或委员会达成共识，并决定候选区块。
混合型（Hybrid）：一些支持区块链的FL系统选择了灵活的共识算法（例如基于委员会的算法），这样既可以完全去中心化又可以部分去中心化，这种情况下称为Hybrid。

参考文献：https://www.researchgate.net/profile/Youyang-Qu/publication/359493327_Blockchain-Enabled_Federated_Learning_A_Survey/links/6242659957084c718b72b113/Blockchain-Enabled-Federated-Learning-A-Survey.pdf